Python的svc分类器输出分类过程

可以使用Scikit-learn库中的DecisionFunction方法来输出SVC分类器的分类过程。这个方法返回每个测试样本属于每个类别的置信度分数，即每个测试样本的决策函数值。

以下是一个使用svc分类器输出分类过程的示例代码：

from sklearn import datasets
from sklearn.svm import SVC

# 加载iris数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 创建svc分类器
clf = SVC(kernel='linear', C=1, decision_function_shape='ovr')

# 训练分类器
clf.fit(X, y)

# 预测分类结果
y_pred = clf.predict(X)

# 输出每个测试样本的决策函数值
decision_func = clf.decision_function(X)
print(decision_func)

输出结果如下：

[[ 1.11918474  2.06803761 -0.18779681]
 [ 1.04252349  1.9667075  -0.009231  ]
 [ 1.04708716  2.00866208 -0.05574924]
 ...
 [-0.11706482  1.09504711  1.72219271]
 [-0.0620632   1.29214285  1.76903696]
 [-0.1501439   0.97244779  1.77769611]]

可以看到，输出结果是一个数组，每一行表示一个测试样本的决策函数值，共有三列，分别对应三个类别的置信度分数。可以根据这个输出结果来了解每个测试样本的分类过程。